AI 모델을 더 잘 활용하기 위한 6가지 핵심 프롬프팅 기법

Prompt Engineering

프롬프트 엔지니어링 기법 정리

AI 모델을 더 잘 활용하기 위한 6가지 핵심 프롬프팅 기법

01

Zero-shot Prompting

예시 없이 바로 지시하기

모델의 예시 없이 원하는 작업을 지시하여, 사전 학습된 일반적인 지식만으로 문제를 해결하는 방법

👍 장점

• 별도의 예시 없이 지시문만 명료하게 작성하면 됨
• 사용자 입장에서 직관적이고 간편

👎 단점

• LLM의 기존 학습된 내용에 오로지 의존
• 복잡한 작업에서 정확도가 낮아질 수 있음

02

Few-shot Prompting

소수의 예시로 성능 끌어올리기

소수의 관련 예시를 포함시켜 AI 모델의 성능을 향상시키는 기법

👍 장점

• 예시를 포함하여 다음 출력 결과를 예상할 수 있음
• 특정 형식이나 톤을 유도하기 용이함

👎 단점

• 정확한 답변을 원할수록 더 많은 예시와 예외처리가 필요
• 내용이 길어지는 단점이 있음

03

Chain-of-Thought Prompting

생각의 사슬 — 단계별 추론 유도

복잡한 문제를 해결할 때 정답을 바로 제시하는 대신, 사고 과정을 단계별로 거쳐 추론하도록 유도하는 방식

👍 장점

• LLM이 추론해 나가는 과정을 볼 수 있음
• 잘못 추론한 부분에 대해 피드백하기 쉬움

👎 단점

• 불필요한 내용까지 방대해질 수 있음
• 답변을 후처리·가공이 필요할 수 있음

04

Tree of Thoughts

생각의 나무 — 다중 경로 탐색

복잡한 문제 해결 과정을 나무처럼 여러 가지 가능성을 탐색하고, 최적의 경로를 찾는 방식

👍 장점

• 다양한 해결책을 동시에 구할 수 있음
• 복잡한 문제에서 최적 경로 탐색에 유리

👎 단점

• 어떤 답이 적절한지 검증하기 어려움
• 환각(Hallucination) 여부를 걸러내기 힘듦

05

Structured Prompting

구조화 지시 — 절차지향적 작성

구조를 갖춰서 절차지향적으로 프롬프트를 작성하는 방법

👍 장점

• LLM이 절차를 수행하는 데 가장 직관적인 방법
• 일관된 형식의 결과물을 얻기 용이함

👎 단점

• 사람이 이해하는 관점보다 기계 입장에서 이해하도록 작성해야 함
• 작성 난이도가 상대적으로 높음

06

Generated Knowledge Prompting

지식 생성 — 먼저 알고, 그다음 답하기

응답 정확도와 추론 능력을 향상시키기 위해, 모델이 먼저 관련 지식을 생성한 후 그것을 바탕으로 답변하도록 유도하는 기법

👍 장점

• 모델이 지식을 정리하고 사고 기반을 만들어 정확도·추론력 향상
• 복잡한 도메인 질문에서 특히 효과적

👎 단점

• 생성된 지식이 부정확할 경우 오히려 더 틀린 답변이 나올 위험
• 검증 없이 사용 시 신뢰도 저하 가능

한눈에 보는 비교표

기법	핵심 개념	적합한 상황
Zero-shot	예시 없이 지시	간단하고 일반적인 작업
Few-shot	소수 예시 포함	특정 형식·톤이 필요한 작업
Chain-of-Thought	단계별 추론 유도	논리적 추론·수학·분석
Tree of Thoughts	다중 경로 탐색	창의적·복잡한 문제 해결
Structured	절차지향 구조 작성	반복적·자동화 작업
Generated Knowledge	지식 먼저 생성 후 답변	전문 도메인·고정밀 응답